論文騙局：故弄玄虛的用字，就算內容都是假的一樣可以發表？——《集體錯覺》

本文由 高柏科技 合作，泛科學撰文

林唯耕剛回台灣任教時，曾在清華大學的實驗室裡用一立方公分的「氨」做實驗。沒想到氨氣意外洩漏，那股刺鼻的氣味瞬間瀰漫整棟大樓，引來眾多師生抗議。

「從此以後，我再也不敢在實驗室裡用氨了。」他在《思想實驗室》的訪談中，帶著笑意回憶這段往事。

這段插曲聽來像是一則工程師的寓言：在理論模型中，氨是太空熱控系統的理想介質；但在現實的辦公大樓裡，它首先是逼人逃竄的臭味。公式本身沒有錯，但現實世界永遠比公式更複雜——它包含了人、成本、風險，以及必須為後果負責的工程師。

高柏科技技術專家、清華大學榮譽退休教授林唯耕 ，曾任職於美國 OAO 工程部熱流組，深耕電子構裝散熱與熱管技術多年。隨著 AI 浪潮席捲全球，他鑽研一輩子的老問題再次被推向科技產業的核心：當晶片運算速度無止境攀升，那股伴隨而生的熱，究竟該往哪裡去？

熱不會讀新品發表會

科技巨頭在發表會上熱衷於談論大型語言模型、GPU 規格與驚人的算力。這些詞彙在投影片上光鮮亮麗，彷彿進步毫無邊界。然而，每一次數位運算都紮實地發生在實體晶片上。晶片會發熱、材料會疲勞老化，一旦設備過熱，系統便會降頻保護。在物理現實面前，再動聽的發表會敘事也必須低頭。

回顧個人電腦發展早期，晶片幾乎不需專屬散熱元件。隨後，鋁製鰭片、風扇、熱管到均溫板逐一登場。這段歷程常被視為技術升級，其實更像是對空間的極限勒索：晶片功率翻倍，發熱源的面積卻沒變大，機箱空間也不可能無限擴張。

林唯耕指出，散熱設計的核心只有三要素：功率、熱源面積與空間限制。他舉例，在標準的 1U 機箱中，若發熱面積約為三十乘三十毫米，氣冷系統在達到八百瓦時就會面臨瓶頸。這並非固定的物理常數，而是取決於空間、面積與氣流的動態平衡。最現實的代價在於，風扇轉速提升的背後，是噪音、電力損耗與空間占用。

因此，「液冷技術」的興起並非單純為了追求酷炫，而是算力密度提升後的必然選擇。它能更精準地帶走晶片廢熱，卻也將新的挑戰帶入機房：漏液風險、流道堵塞、材料相容性，以及維運時的難度。工程的進步，本質上鮮少是徹底消滅問題，更多時候是選擇一組「比較值得承擔」的新問題。

太空教他的，不是把答案搬回地面

太空熱控工程之所以迷人，是因為它剝奪了地球上最常見的散熱工具。在真空宇宙中，沒有空氣能讓風扇製造對流；受光面溫度破百度，陰影處卻極度嚴寒。工程師必須純粹仰賴熱傳導、熱輻射，以及熱管與環路型熱管（LHP）來搬移熱能。

熱管運作的關鍵在於「相變」——液體蒸發時吸收大量潛熱，冷凝後重回循環。林唯耕比較了銅與水的熱傳導能力：在他設定的特定條件下，實心銅塊約能傳導 120 瓦的熱能；但若每秒有一立方公分的水發生蒸發相變，移熱量可瞬間拉升至 2.4 千瓦（kW）。他強調「每秒」的觀念，因為散熱談的是動態流動速率，而非靜態的冷卻魔法。

儘管如此，太空科技並不能直接套用到地面。太空元件因考量重量、功耗與維修難度，偏好無馬達幫浦的被動式設計；但地面 AI 伺服器面臨更高的熱負載與環境溫度，往往仍需幫浦驅動流量。當年那場「氨氣洩漏」事故正是最好的提醒：技術是否「先進」，與它是否「適合」當下的場景，始終是兩回事。

好論文，為什麼仍可能造不出好產品

學術研究致力於證明「可行性」，而工業現場則要求「可重複性」——不僅要能運作，還得確保每台出廠的設備都不漏水。林唯耕將此定義為「從 0 到 1」與「從 1 到 100」的差別。後者涉及良率、成本、公差與客戶信任。論文中那次最完美的實驗數據，在產線上往往未必管用。

他從不避談失敗。在高柏科技早期與學界合作時，也曾遇過實驗數據無法複製，或研究方向偏離產業需求。這未必是雙方努力不夠，而是彼此對「成功」的標準不同。為了解決這道鴻溝，高柏科技推動「柏苗啟航創新培育計畫」，每年投入逾千萬資金與成大、中山、台科大等校合作，並指派專業人才在過程中持續微調、校正，確保研發貼近產線現實。

他分享了近期一項液冷工質校正專案。團隊使用非侵入式的超音波流量計進行觀測，但由於儀器預設以「水」校正，換成其他化學流體後讀數便出現誤差。最初嘗試用幫浦壓差推算，卻發現缺乏重複性，數據甚至推導出不合理的蒸發率。最後團隊回歸基本面，改用秤重法搭配能量平衡進行交叉驗證，才讓數據成功收斂。

這個故事真正的價值不在於「產學雙贏」的口號，而在於那段不夠優雅的挫折：假設失效、數據混亂、方法砍掉重練。也正是在這種時刻，企業需要的不只是會算數的人才，而是能洞察研究何時「走鐘」，並有權力喊停、要求重來的關鍵決策者。

林唯耕坦言，過去在校園裡總認為「技術第一、成本第二」，進入商界後才驚覺行銷與信任關係往往才是關鍵。這番話雖然不如科技突破那樣動聽，卻是產品能否進入市場的殘酷真相。再卓越的散熱設計，若無法穩定生產或贏得客戶信任，也僅止於一份精美的報告。

AI 會給答案，誰來負責出貨？

訪談尾聲，主持人國威提出了一個時代難題：假設 AI 能在彈指間生成散熱架構、材料配方與流道設計，企業該選擇全面擁抱 AI 的速度，還是保留緩慢但穩定的工程驗證，以規避潛在的失效風險？

林唯耕拒絕落入二選一的框架。他的觀點是：兩者並存。AI 擅長處理資訊、生成草案；但工程師仍須實作原型，進行嚴苛的性能與可靠度測試，最終由人決定是否出貨。這並非盲目崇拜人類直覺，而是基於一項事實：AI 的資料庫裡，通常沒記載下一次「意外洩漏」或「材料疲勞」的細節，且模型永遠無法為量產結果擔負法律與商業責任。

在 AI 時代，最稀缺的未必是熟練下指令（Prompt）的人，而是具備這種能力的人：能預判答案可能在哪裡出錯、能設計實驗將問題「逼」出來，並且願意為最終的量產品質負起責任。

大眾習慣將雲端想像成輕盈、無重量的空間。但現實中，雲端是由龐大的機房架構而成，裡面裝滿了晶片、管線、泵浦與冷卻液。虛擬算力的每一次擴張，都會在實體世界留下發熱的足跡。散熱工程師的價值，就是不讓這筆物理帳單，被埋沒在光鮮亮麗的投影片背後。

近期科技界最熱烈討論的新聞，應該就屬韓國有研究單位宣布找到了新的室溫常壓超導體 LK-99 ，聽說可以在一般的高中大學實驗室中完成。這讓我不禁好奇它的製作原理，但，大部分的朋友應該跟我一樣都不是專業材料工程人員，看不懂論文怎麼辦呢？除了等泛科學出影片，別忘了我們有 AI 呀！今天我要來分享一套專門訓練來閱讀論文的 AI —— SciSpace Copilot。

今天的影片簡單的跟大家分享了基於 GPT 技術且針對閱讀學術文章進行特別優化的 AI —— SciSpace ，我只要遇到研究型文章都會特別開這個工具起來使用，其他的大語言模型都無法做到如此細緻。我覺得生成式人工智慧的未來就會到處是這種基於某種目的，比如讀論文，使用某個大模型進行微調 Fine-Tuning 之後的小模型，將會協助我們解決各種問題。

是說現在的研究生做研究的工具真是越來越多，你會想要把這支影片分享給你的指導老師看嗎？
歡迎你把使用的經驗與想法在影片下方留言與我分享！

也歡迎加入泛科學院的頻道會員，或者泛科學AI的Discord論壇，一起討論交流。

如果這支影片對你有幫助的話，請幫我在影片下方點個喜歡，或是透過超級感謝展現你的心意，讓我製作更多實用有趣的 AI 教學影片，最後別忘了訂閱泛科學院的頻道，我們下支影片再見囉。

更多、更完整的內容，歡迎上泛科學院的 youtube 頻道觀看完整影片，並開啟訂閱獲得更多有趣的資訊！

有些時候，沉默就是背叛。
——馬丁．路德．金（Martin Luther King Jr.）

「幫臉蛋打分數」實驗

想像一下，你是二○○○年代末的荷蘭大學生，有一天在上課的路上穿過社會科學院，看到一張召募受試者的海報，名字叫〈看見美麗〉，是一群社會心理學家在研究人類如何認知臉蛋的吸引力。平常就愛翻時尚雜誌的你，覺得自己實在不去不行，而且該實驗還在法國與義大利同步進行，實在太酷了，所以你立刻報了名。

幾天之後，研究團隊請你填一份健康調查，例如有沒有幽閉恐懼症之類，並安排實驗時間；實驗似乎非常簡單：一邊接受腦部掃描，一邊幫一大堆女生臉蛋的照片打分數。「這根本只是花一個小時滑社交軟體 Tinder 嘛。」你想著，這樣就能為科學做出貢獻，實在太好了。

實驗當天，一名穿著白袍的助手帶你進入房間，房裡有一張小小的床。床的旁邊是一個巨大的白色塑膠甜甜圈，洞的大小剛好可以塞進那張床。「這叫作功能性磁振造影，」助手表示，她請你躺在床上，遞給你兩個控制器，每個控制器上各有四個按鈕，上面分別寫著 1 到 8。

「接下來我們會放出許多照片，請你告訴我們每張照片有多吸引人，」她指著控制器上的按鈕，「毫無吸引力就打 1 分，非常吸引人就打 8 分；每張照片有三到五秒的時間回答。」她說完之後給你戴上耳機，在你頭上敲了幾下把耳機固定。你看了一下那個塑膠甜甜圈，裡面好像有個小螢幕。

「感覺如何？」耳機傳來助手的聲音。

「OK 啦，」你說，雖然你其實有點緊張，而且有點冷。

助手請你盡量保持安靜，然後整張床緩緩滑入了那個白色甜甜圈。

一分鐘後，甜甜圈裡的小螢幕亮了起來，出現一張女生的臉蛋照片，畫著濃妝面帶微笑，頭髮看起來油膩膩的；照片消失之後，你給照片打了六分，幾秒鐘後數字「8」亮了起來，旁邊寫著「＋2」。看來「米蘭和巴黎的女性受試者」對這張臉的評價，平均比你高兩分。

「喔？」你皺起眉頭，「這樣啊？是我漏看什麼嗎？」

螢幕上出現第二張功能性磁振造影照片，你努力無視磁振造影機器的嗡嗡聲，繼續打分數。在那之後，照片一張又一張出現，就這樣經過了五十分鐘。

實驗完成之後你來到休息室，另一個助理突然走了進來，說要拜託你在沒有磁振造影機的情況下，把每張照片再打一次分數；他把你帶到另一個房間，確認你覺得舒服之後，以不同的順序給你看之前那些照片。

不過這次，那些「歐洲受試者給出的平均分數」消失了，而且沒有時間限制，每張照片你愛看多久就看多久。結束之後助手問你感覺如何，並感謝你的參與，你也很高興對科學做出貢獻。

大腦認為錯的意見

不過你做出貢獻的方式，其實跟你想的不太一樣。實驗結束之後你才知道，其實整個設定都是騙你的，這個實驗的真正目的，是研究你對臉蛋的評價會如何因為其他人的評價而改變。

實驗根本就沒有「歐洲各地同步進行」，那些「其他國家」或者什麼「米蘭和巴黎受試者的平均評分」全都是事先寫好規則的極端值，只是刻意為了跟你唱反調而已。但有趣的是，這個虛構設定的實驗，卻告訴了我們很多真實的事情。

功能性磁振造影的掃描結果顯示，當我們發現自己偏離了主流意見，大腦就會在神經層次上，產生一種跟事與願違時相同的反應。

當事情的走向出乎預期，我們通常會認為是自己搞錯，這時大腦會把錯誤記錄下來，讓我們下一次不要再犯。這種機制在我們學習開車跟滑雪的時候很有用，卻會在社會之中造成麻煩：大腦會把與眾不同的意見當成錯誤的意見，讓我們下意識服從群體的共識。

因此，當我們重新幫同一疊照片評分，我們給出的分數就變得跟「歐洲各地的平均分數」更近，請注意這個設定的真正意義。這些「歐洲各地的受試者」並不是我們的內團體，「巴黎跟米蘭的女性受試者」遠在天邊，我們根本就不認識，即使意見不同也不用擔心被他們排擠，可是我們還是被影響了。

這表示即使「其他人」不在現場、不知道打哪來的、甚至根本就不存在，他們的意見還是能夠讓我們服從。

這個實驗告訴我們，即使眼前是一群自己未必重視的群體，即使「主流意見」可能只是我們的錯覺，我們也會在意自己是否偏離。在社交場合，我們的大腦不會仔細檢查眼前的表象是否為真，只會照著本能做事。這種情況我稱之為「共識陷阱」（consensus trap）。

它會創造出另一種集體錯覺：不是奠基於謊言，而是奠基於沉默，讓我們為了保持沉默，最後搞到彼此誤解。這種沉默的共識很可怕，它讓我們搞不清楚自己做錯了什麼，畢竟我們既沒有盲從他人，也沒有假意迎合，只是保持沉默而已。

——本文摘自《集體錯覺：真相，不一定跟多數人站在同一邊！》，2022 年 12 月，平安文化出版，未經同意請勿轉載。